Прогнозирование эквивариантного электронного гамильтониана с помощью много‑телесной передачи сообщений

Почему важно быстрее предсказывать поведение электронов

Проектирование новых батарей, микросхем и квантовых устройств во многом зависит от понимания того, как электроны движутся в материале. Золотым стандартом здесь является квантовый метод — теория функционала плотности, которая точна, но крайне медленна для больших или сложных систем. В этой статье представлен новый модель машинного обучения, MACE‑H, которая способна имитировать эти дорогостоящие квантовые расчёты для электронов с выдающейся точностью, но за долю времени. Для неспециалистов эта работа указывает путь к более быстрому цифровому отбору передовых материалов до того, как кто‑то начнёт резать металл или выращивать кристалл.

От тяжёлых уравнений к изученным сокращениям

Традиционные методы расчёта электронной структуры работают путём решения большого математического объекта, называемого гамильтонианом, который кодирует взаимодействия электронов с ядрами атомов и между собой. Для реалистичных материалов гамильтониан представлен в виде огромной матрицы, размер которой взрывообразно растёт с увеличением системы, что делает прямые вычисления всё более дорогими. Ранние подходы с машинным обучением пытались упростить задачу либо с помощью приближённых tight‑binding моделей, либо предсказывая только скалярные свойства, такие как энергии. Эти подходы могут быть быстрыми, но обычно не сохраняют достаточной детализации электронной структуры, чтобы надёжно предсказывать зонные структуры, транспортные или оптические свойства в широком классе материалов.

Нейросеть, уважающая симметрии

Авторы опираются на новое поколение нейросетей, которые явно учитывают симметрии трёхмерного пространства: вращения, отражения и переносы. В MACE‑H атомы в материале рассматриваются как узлы графа, и модель передаёт «сообщения» вдоль связей между ними. Критично то, что эти сообщения спроектированы так, чтобы при повороте или перемещении всей кристаллической решётки внутренние признаки поворачивались и смещались точно так же, как это диктует физика. Это достигается путём аккуратного разложения информации на компоненты, которые трансформируются как векторы и объекты более высокого порядка при вращении. Благодаря этому модель естественным образом обрабатывает атомные орбитали разной формы, включая более сложные, важные для тяжёлых элементов и эффектов спин‑орбитального взаимодействия.

Улавливание много‑телесной химии, а не только пар

Большинство ранних сетей для обучения гамильтониана позволяли поток информации только по простым парным связям между атомами. MACE‑H идёт дальше, включая много‑телесную передачу сообщений: она умеет объединять информацию из триад и более крупных групп атомов контролируемым образом. Специальный модуль расширения по степени узла эффективно наращивает угловые признаки более высокого порядка, не перегружая память и вычислительные ресурсы. Это позволяет модели представлять тонкие закономерности в локальной химической среде, такие как ориентация соседних слоёв в скрученных двумерных материалах или сложные связи в массивном золоте. Одновременно дополнительный этап обновления рёбер преобразует эти насыщенные атомные признаки в предсказания для каждого блока матрицы гамильтониана, связывающего пары атомных орбиталей.

Точность, эффективность и умные проверки ошибок

Исследователи тестируют MACE‑H на нескольких сложных системах, включая сдвинутые и скрученные билаеры теллурида висмута и расчёты с учётом всех электронов для объёмного золота. В этих случаях модель предсказывает отдельные элементы матрицы гамильтониана со средней ошибкой ниже тысячной доли электро‑вольта, а получающиеся зонные структуры и плотности состояний визуально неотличимы от полных квантово‑механических расчётов. По сравнению с сильной предыдущей моделью, использующей только парные сообщения, MACE‑H последовательно точнее и требует меньше обучающих данных, чтобы достичь заданного уровня ошибки, при этом сохраняя близкое к линейному масштабирование по размеру системы. Архитектура склонна сильно фокусироваться на ближайшей атомной среде, что повышает эффективность использования данных, но немного снижает чувствительность к очень дальнодействующим структурным изменениям; однако даже в этих сложных скрученных структурах электронные свойства вблизи уровня Ферми хорошо воспроизводятся. Авторы также показывают, что тщательно спроектированный шаг «сдвига и масштабирования» стабилизирует обучение, когда разные части гамильтониана варьируются на многие порядки, и предлагают использовать то, насколько предсказанная матрица соблюдает базовую симметрию (эрмитовость) как быстрый индикатор надёжности без меток.

К быстрому поиску материалов

Проще говоря, MACE‑H учится эмулировать тяжёлый квантово‑механический решатель для электронов, при этом сохраняя полную матричную структуру, лежащую в основе ключевых электронных свойств. Поскольку модель точна, экономно использует данные и масштабируема, её можно встроить в существующие коды расчёта электронной структуры для ускорения расчётов зонных структур, направлять высокопроизводительный скрининг кандидатных материалов или помогать симуляциям, связывающим движение электронов с движением атомов. Подход достаточно общ и может быть расширен на другие квантовые операторы, такие как матрицы плотности, открывая путь к более быстрым самосогласованным расчётам. По мере того как такие модели зрелееют и получают надёжные оценки неопределённости, они, вероятно, станут центральными инструментами в виртуальном открытии и проектировании новых электронных материалов.

Цитирование: Qian, C., Vitartas, V., Kermode, J.R. et al. Equivariant electronic Hamiltonian prediction with many-body message passing. npj Comput Mater 12, 169 (2026). https://doi.org/10.1038/s41524-026-02020-1

Ключевые слова: машинное обучение гамильтониан, графовые нейронные сети, электронная структура, поиск материалов, теория функционала плотности